网格中的每个位置都与一个由一个值组成的元组相关联
asp、slp 和 elv。例如，左上角有元组(8,9,13)。
我们想将此元组映射到一个唯一标识此元组的数字。
一种方法是将(8,9,13) 视为 3D 数组的索引
np.arange(9*13*17).reshape(9,13,17)。选择了这个特定的数组
容纳asp、slp 和elv 中的最大值：
In [107]: asp.max()+1
Out[107]: 9
In [108]: slp.max()+1
Out[108]: 13
In [110]: elv.max()+1
Out[110]: 17
现在我们可以将元组 (8,9,13) 映射到数字 1934：
In [113]: x = np.arange(9*13*17).reshape(9,13,17)
In [114]: x[8,9,13]
Out[114]: 1934
如果我们对网格中的每个位置都执行此操作，那么我们会为每个位置获得一个唯一编号。
我们可以在这里结束，让这些唯一的数字作为标签。
或者，我们可以生成更小的整数标签（从 0 开始并增加 1）
通过使用np.unique with
return_inverse=True:
uniqs, labels = np.unique(vals, return_inverse=True)
labels = labels.reshape(vals.shape)
例如，
import numpy as np
asp = np.array([8,1,1,2,7,8,2,3,7,6,4,3,6,5,5,4]).reshape((4,4)) #aspect
slp = np.array([9,10,10,9,9,12,12,9,10,11,11,9,9,9,9,9]).reshape((4,4)) #slope
elv = np.array([13,14,14,13,14,15,16,14,14,15,16,14,13,14,14,13]).reshape((4,4)) #elevation
x = np.arange(9*13*17).reshape(9,13,17)
vals = x[asp, slp, elv]
uniqs, labels = np.unique(vals, return_inverse=True)
labels = labels.reshape(vals.shape)
产量
array([[11, 0, 0, 1],
[ 9, 12, 2, 3],
[10, 8, 5, 3],
[ 7, 6, 6, 4]])
只要asp、slp 和elv 中的值是小整数，上述方法就可以正常工作。如果整数太大，它们的最大值的乘积可能会溢出可以传递给np.arange 的最大允许值。此外，生成如此大的数组将是低效的。
如果这些值是浮点数，则它们不能被解释为 3D 数组 x 的索引。
所以为了解决这些问题，首先使用np.unique将asp、slp和elv中的值转换为唯一的整数标签：
indices = [ np.unique(arr, return_inverse=True)[1].reshape(arr.shape) for arr in [asp, slp, elv] ]
M = np.array([item.max()+1 for item in indices])
x = np.arange(M.prod()).reshape(M)
vals = x[indices]
uniqs, labels = np.unique(vals, return_inverse=True)
labels = labels.reshape(vals.shape)
产生与上图相同的结果，但即使 asp、slp、elv 是浮点数和/或大整数也可以。
最后，我们可以避免np.arange的生成：
x = np.arange(M.prod()).reshape(M)
vals = x[indices]
通过将vals 计算为索引和步幅的乘积：
M = np.r_[1, M[:-1]]
strides = M.cumprod()
indices = np.stack(indices, axis=-1)
vals = (indices * strides).sum(axis=-1)
所以把它们放在一起：
import numpy as np
asp = np.array([8,1,1,2,7,8,2,3,7,6,4,3,6,5,5,4]).reshape((4,4)) #aspect
slp = np.array([9,10,10,9,9,12,12,9,10,11,11,9,9,9,9,9]).reshape((4,4)) #slope
elv = np.array([13,14,14,13,14,15,16,14,14,15,16,14,13,14,14,13]).reshape((4,4)) #elevation
def find_labels(*arrs):
indices = [np.unique(arr, return_inverse=True)[1] for arr in arrs]
M = np.array([item.max()+1 for item in indices])
M = np.r_[1, M[:-1]]
strides = M.cumprod()
indices = np.stack(indices, axis=-1)
vals = (indices * strides).sum(axis=-1)
uniqs, labels = np.unique(vals, return_inverse=True)
labels = labels.reshape(arrs[0].shape)
return labels
print(find_labels(asp, slp, elv))
# [[ 3 7 7 0]
# [ 6 10 12 4]
# [ 8 9 11 4]
# [ 2 5 5 1]]